随着罐形容器的普遍使用,其安全性能和缺陷检测方法越来越受到社会各界的关注。研制开发一种高性能快速、可手持操作、便于进行数据处理和实时检测的罐形容器缺陷检测系统,具有重要的现实意义和应用价值。目前罐形容器声发射缺陷检测通常采用“小波包—能量”作为神经网络的输入特征向量。缺点是只能满足对信号的高频和低频成分分别进行分解,而不能按频带的自身特点进行选择性分解,特征提取方法也没有充分利用小波包在时域上的局部分析能力,若能考虑小波包在时间轴上的信息,将更有助于提取缺陷特征信号。针对以上问题,本文提出了一种基于“区间小波包—能量矩”的声发射特征提取方法,它能按信号能量集中的关键频段进行自适应分解,提取特征充分利用了小波包的时域信息。同时针对传统BP神经网络收敛速度慢,迭代时间长等问题,提出梯度优化的神经网络算法,并对BP算法的激活函数进行了改进。研究结果表明,该方法大大简化了算法的复杂度,提高了容器缺陷检测的识别率,同时实现了缺陷信号的单传感器定位,具有较好的应用和推广价值。为满足本系统的高速采样和数据处理的需要,在硬件设计中采用了以TMS320C6713(DSP)和MSP430F149(MCU)为核心的双CPU结构,其中DSP主要负责信号的采集与处理,包括小波与神经网络算法等,MCU负责人机外设的管理、数据通信和I/O控制等。